这篇题为《Searching for Synergy in Shared Workspace Human-AI Collaboration》的论文由 Nachiket Kotalwar 等三位作者完成，于 2026 年 6 月 16 日提交至 arXiv（编号 2606.18413v1，属于 cs.AI 与 cs.HC 交叉领域），并已被 ICML 2026 人类—AI 共创研讨会接收。全文共 13 页，包含 5 幅图和 3 张表。论文关注的核心问题是：当自动化 AI 智能体能力不断提升时，许多科学与专业任务仍然依赖人的判断与情境化专业知识，那么人类与 AI 应当如何在共享工作空间中分工、协调并整合各自专长。
研究者的出发点是：智能体再强，也无法单独承担需要人类判断的任务。因此他们研究的是“共享工作空间”中的人机团队——AI 智能体与人类协作者必须在提交最终答案之前，先厘清各自负责的部分并完成协调。为了在可控条件下观察这一过程，研究团队采用 Collaborative Gym 环境，并搭配 DiscoveryBench 任务开展实验，通过模拟人类协作者来考察：在什么条件下增加协作者会提升团队表现，又在什么条件下会因“过程损失”（process loss）使新增成员变成纯粹的协调负担。
实验规模是本文的重要支撑。研究共分析了 1,482 次会话，覆盖不同规模的团队配置。一个反直觉但关键的发现是：仅仅增加相关的协作者并不必然带来更好的结果。当团队缺乏协调成员贡献的结构时，添加协作者反而可能拉低整体表现——成员越多，沟通与责任归属的模糊性越大，协调成本侵蚀了额外人力本应带来的收益。这说明“人多力量大”在人机团队中并不自动成立，团队的组织方式才是决定性变量。
在揭示上述问题后，作者进一步评估了一种“脚手架”（scaffolding）机制，它由两个部分组成：一是共享的团队记忆，让所有参与者能够访问同一份累积的上下文与结论；二是模拟的“人在回路”（human-in-the-loop，HITL）闸门，即某些选定动作必须获得指定模拟参与者的批准才能执行。这种设计试图在不牺牲效率的前提下，把人类判断嵌入到关键决策节点上，同时用共享记忆降低信息不对称。
结果显示，该脚手架机制带来了更高的平均表现，这一提升在三人团队中最为明显。作者观察到两类机制性改善：其一是责任信号更加清晰，团队成员更容易判断某项工作由谁负责、由谁批准；其二是专业知识向团队行动的“路由”更强，即合适的专长能够更准确地被引导到需要它的具体行动上。换言之，脚手架并未改变智能体本身的能力上限，而是改善了团队把能力转化为成果的协调路径。
论文的总体结论具有方法论意义：人机团队如何协调、如何整合专长，其重要性不亚于团队所拥有的能力本身。对于设计多智能体系统或人机协作流程的研究者与工程团队而言，这意味着在追求更强模型的同时，也应投入精力设计共享记忆、审批闸门与责任分配等协作结构，否则新增的能力与成员可能被协调开销所抵消。论文同时提供了可复现的实验设置与量化结果，为后续研究人类—AI 共享工作空间中的团队协同提供了基准。